AscendCL图片分类应用

样例介绍

基于PyTorch框架的ResNet50模型，对*.jpg图片分类，输出各图片所属分类的编号、名称。

样例的处理流程如下图所示：

样例下载

可以使用以下两种方式下载，请选择其中一种进行源码准备。

• 命令行方式下载（下载时间较长，但步骤简单）。

  # 开发环境，非root用户命令行中执行以下命令下载源码仓。    
  cd ${HOME}     
  git clone https://gitee.com/ascend/samples.git
  

  **注：**如果需要切换到其它tag版本，以v0.9.0为例，可执行以下命令。

  git checkout v0.9.0
  

• 压缩包方式下载（下载时间较短，但步骤稍微复杂）。

  # 1. samples仓右上角选择 【克隆/下载】 下拉框并选择 【下载ZIP】。     
  # 2. 将ZIP包上传到开发环境中的普通用户家目录中，【例如：${HOME}/ascend-samples-master.zip】。      
  # 3. 开发环境中，执行以下命令，解压zip包。      
  cd ${HOME}     
  unzip ascend-samples-master.zip
  

  **注：**如果需要下载其它版本代码，请在当前页面右上方按照下图切换版本。

  

样例的代码目录说明如下：

├── data         // 用于存放测试图片
├── model        // 用于存放模型文件
├── scripts       // 用于存放运行样例的脚本                                              
├── src          // 用于存放源码

准备环境

1. 安装CANN软件。

   单击Link，获取最新版本的CANN软件安装指南。

   **注意：**此处还可以在页面左上侧切换版本，查看对应版本的安装指南。

2. 设置环境变量。

   注：“$HOME/Ascend”请替换“Ascend-cann-toolkit”包的实际安装路径。

   # 设置CANN依赖的基础环境变量
   . ${HOME}/Ascend/ascend-toolkit/set_env.sh
   
   #如果用户环境存在多个python3版本，则指定使用python3.7.5版本
   export PATH=/usr/local/python3.7.5/bin:$PATH
   #设置python3.7.5库文件路径
   export LD_LIBRARY_PATH=/usr/local/python3.7.5/lib:$LD_LIBRARY_PATH
   
   # 配置程序编译依赖的头文件与库文件路径
   export DDK_PATH=$HOME/Ascend/ascend-toolkit/latest 
   export NPU_HOST_LIB=$DDK_PATH/runtime/lib64/stub
   

3. 安装OpenCV。

   执行以下命令安装opencv，确保是3.x版本：

   sudo apt-get install libopencv-dev
   

样例运行

1. 获取PyTorch框架的ResNet50模型（*.onnx），并转换为昇腾AI处理器能识别的模型（*.om）。

   **注：**此处以昇腾310 AI处理器为例，针对其它昇腾AI处理器的模型转换，需修改atc命令中的--soc_version参数值。

   # 为了方便下载，在这里直接给出原始模型下载及模型转换命令,可以直接拷贝执行。 
   cd $HOME/samples/inference/modelInference/sampleResnetQuickStart/python/model 
   wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/resnet50/resnet50.onnx 
   atc --model=resnet50.onnx --framework=5 --output=resnet50 --input_shape="actual_input_1:1,3,224,224"  --soc_version=Ascend310
   

   atc命令中各参数的解释如下，详细约束说明请参见《ATC模型转换指南》。

   • --model：ResNet-50网络的模型文件的路径。

   • --framework：原始框架类型。5表示ONNX。

   • --output：resnet50.om模型文件的路径。请注意，记录保存该om模型文件的路径，后续开发应用时需要使用。

   • --input_shape：模型输入数据的shape。

   • --soc_version：昇腾AI处理器的版本。

     说明： 如果无法确定当前设备的soc_version，则在安装驱动包的服务器执行npu-smi info命令进行查询，在查询到的“Name“前增加Ascend信息，例如“Name“对应取值为_xxxyy_，实际配置的soc_version值为Ascend_xxxyy_。

2. 获取测试图片数据。

   请从以下链接获取该样例的测试图片dog1_1024_683.jpg，放在data目录下。

   cd $HOME/samples/inference/modelInference/sampleResnetQuickStart/python/data 
   wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog1_1024_683.jpg
   

   注：若需更换测试图片，则需自行准备测试图片，并将测试图片放到data目录下。

3. 运行样例。

   执行以下脚本运行样例：

   cd $HOME/samples/inference/modelInference/sampleResnetQuickStart/python/scripts 
   bash sample_run.sh
   

   执行成功后，在屏幕上的关键提示信息示例如下，提示信息中的label表示类别标识、conf表示该分类的最大置信度，class表示所属类别。这些 值可能会根据版本、环境有所不同，请以实际情况为准：

   [INFO] The sample starts to run
   dog1_1024_683.jpg
   label:162  conf:0.902207  class:beagle
   *****run finish******
   

   图片结果展示：

代码逻辑详解

样例中的接口调用流程如下图所示。

在此样例基础上：

• 若想要更换测试图片，只需自行准备好新的jpg图片并存放到样例的data目录下，图片数据预处理时会自动从该目录下读取图片数据、再缩放至模型所需的大小。
• 若想要更换模型，则需关注以下修改点：
  1. 准备模型：需自行准备好原始模型并存放到样例的model目录下，再参考《ATC模型转换指南》转换模型；
  2. 图片数据预处理：根据新模型的输入要求进行预处理；
  3. 加载模型：在acl.mdl.load_from_file接口处加载转换后的模型；
  4. 准备模型输入/输出数据结构：根据新模型的输入、输出个数准备；
  5. 获取推理结果&后处理：根据新模型的输出数据进行后处理。

须知： 一般来说，更换其它图片分类模型（例如resnet50->resnet101）,由于同类模型的输入、输出类似，在此样例基础上改动较小，但如果更换为其它类型的模型（例如目标检测模型），由于不同类型模型的输入、输出差别较大，在此样例基础上数据预处理、模型输入&输出准备以及数据后处理等改动很大，建议在Ascend Sample仓先找到目标检测类的样例，再基于目标检测样例修改。

相关操作

• 获取更多样例，请单击Link。

• 获取在线视频课程，请单击Link。

• 获取学习文档，请单击AscendCL C&C++或AscendCL Python，查看最新版本的AscendCL推理应用开发指南。

• 查模型的输入输出

  可使用第三方工具Netron打开网络模型，查看模型输入或输出的数据类型、Shape，便于在分析应用开发场景时使用。